jaringan saraf tiruan untuk memprediksi tingkat …

Jurnal Sains Komputer & Informatika (J-SAKTI) Volume (1) No. 1 Maret 2017

ISSN:2548-9771/EISSN: 2549-7200 http://ejurnal.tunasbangsa.ac.id/index.php/jsakti

JST Prediksi Tingkat Pemahaman Siswa (Solikhun) |24

JARINGAN SARAF TIRUAN UNTUK MEMPREDIKSI TINGKAT PEMAHAMAN SISIWA TERHADAP MATAPELAJARAN DENGAN MENGGUNAKAN

ALGORITMA BACKPROPAGATION

Solikhun, M. Safii, Agus Trisno

Program Studi Manajemen Informatika, AMIK Tunas Bangsa Pematangsiantar Program Studi Sistem Informasi, STIKOM Tunas Bangsa Pematangsiantar

Jln. Jenderal Sudirman Blok A No. 1,2,3 Pematangsiantar [email protected], [email protected], [email protected]

Abstract Prediction of students 'understanding of the subject is important to know the extent to which the students' understanding of the subjects presented by educators when teaching and learning activities and to determine the ability of educators in delivering subjects. Artificial Neural Network to predict the level of students' understanding of subjects using backpropagation learning algorithm uses several variables: Knowledge, skills / abilities, assessment and workload and guidance and counseling. Backpropagation learning algorithm is applied to train eight indicators to predict the level of students' understanding of the subjects. The test results obtained by the student's understanding level prediction accuracy rate of 90% with a 6-5-1 architecture. Keywords: Neural Networks, Backpropagation, Prediction Comprehension Level Students

Abstrak Prediksi tingkat pemahaman siswa terhadap mata pelajaran sangatlah penting untuk mengetahui sampai dimana pemahaman siswa terhadap mata pelajaran yang disampaikan oleh pendidik pada saat kegiatan belajar mengajar dan untuk mengetahui kemampuan pendidik dalam menyampaikan mata pelajaran. Artificial Neural Network untuk memprediksi tingkat pemahaman siswa terhadap mata pelajaran menggunakan algoritma pembelajaran backpropagation menggunakan beberapa variabel yaitu : Pengetahuan, ketrampilan/kemampuan, penilaian & beban kerja dan bimbingan & konseling. Algoritma pembelajaran Backpropagation diterapkan untuk melatih delapan variabel tersebut untuk memprediksi tingkat pemahaman mahasiswa terhadap mata pelajaran. Hasil pengujian diperoleh prediksi tingkat pemahaman siswa dengan tingkat akurasi 90 % dengan arsitektur 4-2-1. Kata kunci : Jaringan Saraf Tiruan, Backpropagation, Tingkat Pemahaman Siswa

1. PENDAHULUAN Jaringan saraf tiruan (JST) (artificial neural network (ANN) / simulated

neural network (SNN) / neural network(NN)) adalah jaringan yang terdiri atas sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf

mailto:[email protected]






manusia. (Sari Indah Anatta Setiawan, 2011). Jaringan saraf tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel saraf bilogin sama seperti otak yang memproses suatu informasi[1].

Jaringan saraf tiruan sama seperti halnya manusia yang belajar dari suatu contoh untuk memecahkan suatu masalah yang memiliki pola yang sama dengan contoh yang diberikan. Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologis (JSB) Jaringan Syaraf Tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) [2].

Proses belajar mengajar merupakan salah satu kegiatan dalam sebuah sekolah dalam mencerdaskan kehidupan bangsa. Peran tersebut tidak terlepas dari tenaga pengajar professional dan pamahaman siswa yang baik. Dalam proses belajar mengajar perlunya hubungan dua arah antara siswa dan tenaga pengajar. Ini dimaksudkan supaya ada kerjasama yang baik selama proses belajar mengajar berlangsung. Analisa yang dilakukan oleh pihak sekolah terhadap proses belajar mengajar sangat perlu dilakukan diakhir semester. Ini bertujuan agar ada penilaian terhadap siswa dan tenaga pengajar professional. Bagi siswa ini bertujuan menilai tingkat pemahaman dan daya serap terhadap mata pelajaran yang diajarkan dan bagi tenaga pengajar professional ini bertujuan untuk menilai sejauh mana tenaga pengajar professional dapat menyalurkan pengetahuanya terhadap mata pelajaran yang diampunya selama 1 (satu) semester. Sehingga pihak sekolah dapat memberikan keputusan yang adil. Dalam memprediksi sampai mana tingkat pemahaman siswa terhadap matapelajaran.

Dari uraian diatas penulis melakukan penelitian dengan judul jaringan saraf tiruan untuk memprediksi tingkat pemahaman siswa terhadap mata pelajaran dengan menggunakan algoritma backpropagation.

2. METODE PENELITIAN 2.1. Kecerdasan Buatan (Artificial Intellegence) Kecerdasan Buatan (Artificial Intelligence atau AI) didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Kecerdasan Buatan (Artificial Intelligence atau AI) didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. AI adalah bidang studi berdasarkan pada premis bahwa pikiran cerdas dapat dianggap sebagai bentuk perhitungan [3]. 2.1.1 . Definisi kecerdasan Buatan Kecerdasan buatan (Artificial Intelegent) merupakan salah satu bagian dari ilmu komputer yang memperlajari bagaimana membuat mesin komputer dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia. Menurut John McCarthy dalam Dahria (2008), Artificial Intelegent (AI) adalah untuk mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan




perilaku manusia. Cerdas, berarti memiliki pengetahuan dan pengalaman, Penalaran, bagaimana membuat keputusan dan mengambil tindakan moral yang baik[4]. 2.1.2 . Soft Computing

Soft Computing merupakan inovasi baru dalam membangun sistem cerdas yaitu sistem yang memiliki keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan. Soft Computing mengekploitasiadanya toleransi terhadap ketidaktepatan, ketidakpastian dan kebenaran parsial untuk dapat diselesaikan dan dikendalikan dengan mudah agar sesuai dengan realita (Zadeh dalam Dahria, 2008). Metodologi-metodologi yang digunakan dalam soft computing adalah : 1. Sistem Fuzzy (Mengakomodasi ketidaktepatan) Logika Fuzzy (fuzzy logic). 2. Jaringan Saraf Tiruan (Neural Network). 3. Probabilistic Reasoning (Mengakomodasi ketidakpastian). 4. Evolutionary Computing (Optimasi) Algoritma Genetika[4]..

2.2. Jaringan Saraf Tiruan (Artificial Neural Network)

Jaringan syaraf tiruan (JST) adalah paradigm pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi. Jaringan ini biasanya diimplementasikan dengan menggunakan komponen elektronik atau disimulasikan pada aplikasi computer[5]. 2.3. Model Neuron

Menurut Haykin (2012), neuron adalah unit pengolah informasi yang merupakan dasar dari proses sebuah Jaringan Saraf Tiruan. Dijelaskan juga ada tiga elemen dasar dari model saraf yaitu:

1. Satu set dari sinapsis, atau penghubung yang masing-masing digolongkan oleh bobot atau kekuatannya.

2. Sebuah penambah untuk menjumlahkan sinyal-sinyal input. Ditimbang dari kekuatan sinaptik masing-masing neuron.

3. Sebuah fungsi aktivasi untuk membatasi amplitudo output dari neuron. Fungsi ini bertujuan membatasi jarak amplitude yang diperbolehkan oleh sinyal output menjadi sebuah angka yang terbatas[6].

2.4. Algoritma Backpropagation

Algoritma Backpropagation untuk melakukan training terhadap suatu jaringan terdiri dari tiga tahap, yaitu feedforward dari pola input training, backpropagation dari error yang terkait, dan penyesuaian bobot.

Langkah-langkah dalam algoritma backpropagation oleh Fausett (1994) adalah sebagai berikut:

Langkah 0: Inisialisasi bobot (set bobot pada nilai random yang kecil). Langkah 1: Ketika pada kondisi berhenti salah, lakukan langkah 2 – 9. Langkah 2: Untuk setiap pasangan training, lakukan langkah 3 – 8. Feedforward




Langkah 3: Setiap unit input (Xi, i =1,. . . , n) menerima sinyal input Xi dan

memancarkan sinyal ini kepada semua unit pada lapisan diatasnya (hidden unit)

Langkah 4: Setiap hidden unit (Zj,j=1,. . . ,p) menjumlahkan bobot sinyal

input.

mengaplikasikan fungsi aktivasi untuk menghitung sinyal output

dan mengirim sinyal ke semua unit di lapisan di atasnya (output unit).

Langkah 5: Setiap unit output (Yk, k = 1, . . . , m) menjumlahkan bobot sinyal input.

dan mengaplikasikan fungsi aktivasinya untuk menghitung sinyal output.

Backpropagation Langkah 6: Setiap unit output (Yk, k = 1, . .. , m) menerima pola target

sesuai dengan pola training input, menghitung informasi error.

menghitung koreksi bobotnya (digunakan untuk memperbaharui wjk)

menghitung koreksi bias (digunakan untuk memperbaharui w0k)

mengirim ke unit lapisan dibawahnya

Langkah 7: Setiap hidden unit (Zj , j = 1, . . . , p) menjumlahkan delta input (dari unit di lapisan atas).

dikalikan dengan turunan dari fungsi aktivasi untuk

menghitung informasi error.

menghitung koreksi bobot (digunakan untuk memperbaharui vij)




dan menghitung koreksi bias (digunakan untuk memperbaharui v0j)

Update bobot dan bias Langkah 8: Setiap unit output (Yk, k = 1, . .. , m) memperbaharui bias dan

bobot (j = 0 , . . . . , p)

Setiap hidden unit (Zj, j = 1, . . . , p) memperbaharui bobot dan

bias (i = 0 , . . . . , n)

Langkah 9: Tes kondisi berhenti.

Algoritma aplikasi Setelah training, jaringan saraf backpropagation diaplikasikan dengan hanya menggunakan fase feedforward dari algoritma training. Langkah-langkahnya sebagai berikut oleh Fausett (1994): Langkah 0: Inisialisasi bobot (dari algoritma training). Langkah 1: Untuk setiap vektor input lakukan langkah 2-4. Langkah 2: Untuk i = 1, . . . , n set aktivasi untuk unit input xi. Feedforward Langkah 3: Untuk setiap j = 1, . . . , p

Langkah 4: Untuk setiap k = 1, . . . , m

3. HASIL DAN PEMBAHASAN 3.1. Perancangan Sistem 3.1.1. Pendefinisian Input dan Target Data siswa selanjutnya akan diolah oleh Jaringan Saraf Tiruan dengan metode backpropogation. Agar data dapat dikenali oleh Jaringan Saraf Tiruan, maka data harus direpresentasikan ke dalam bentuk numerik antara 0 sampai dengan 1, baik variabel maupun isinya yang merupakan masukan data siswa pada




SMK Prama Artha Simalungun sebagai pengenalan pola dan keluaran yang merupakan prediksi pemahaman siswa yang diperoleh dari model arsitektur terbaik pada saat penentuan pola terbaik. Hal ini dikarenakan jaringan menggunakan fungsi aktivasi sigmoid biner (logsig) yang rangenya dari 0 sampai 1. Nilai-nilai yang digunakan diperoleh berdasarkan kategori dari masing-masing variabel selain juga untuk memudahkan mengingat dalam pendefinisiannya. 3.1.2. Pendefinisian Input Variabel penentuan tingkat pemahaman siswa merupakan kriteria yang menjadi acuan dalam pengambilan keputusan pada penilaian dengan menggunakan Jaringan Saraf Tiruan. Variabel ditentukan dengan cara melihat ketergantungan data terhadap penelitian yang dilakukan. Adapun daftar variabel dalam penentuan pemahaman siswa terhadap mata pelajaran yaitu tertera pada tabel 1 :

Tabel 1 : Daftar Kriteria dalam Pemahaman Siswa terhadap Mata pelajaran

No Kriteria Variabel Rank Rata-Rata Nilai

Keterangan Berat

1 Pengetahuan A

5 Sangat Setuju 1 4 – 4,99 Setuju 0.8 3 – 3,99 Sedang 0.6 2 – 2,99 Tidak Setuju 0.4 0 – 1,99 Sangat Tidak Setuju 0.2

2 Keterampilan /

Kemampuan B


3 Penilaian Dan Beban Kerja

C


4 Bimbingan dan

konseling D


Sumber : Data Olahan Data input diperoleh dari kuisioner yang diberikan kepada siswa SMK

Swasta Prama Artha Simalungun. Dari kuisioner tersebut diperoleh informasi tentang data siswa yang sudah mengikuti proses belajar selama semester 1 dan 2 tahun ajaran 2015/2016.

Data sampel siswa SMK Swasta Prama Artha Simalungun semester 1 dan 2 tahun pelajaran 2015/2016 yang terdiri dari 40 data dan masing masing data




memiliki 4 variabel dan 1 target. Data ini nantinya akan ditransformasikan ke sebuah data antara 0 sampai 1 sebelum dilakukan pelatihan dan pengujian menggunakan Jaringan Saraf Tiruan metode backpropagation.

3.1.3 Pendefinisian Target Adapun data target adalah 1 yaitu siswa memahami mata pelajaran. 3.2. Pengolahan Data

Pengolahan data dilakukan dengan bantuan Matlab 6.1 aplikasi perangkat lunak. Sampel Data baku 40 siswa akan dibagi menjadi dua bagian, yaitu data pelatihan dan data pengujian. Data mentah akan dikonversi berubah menjadi tabel kriteria yang telah ditentukan pada Tabel 1. Sedangkan untuk sampel data yang telah diproses dan ditranformasikan adalah sebagai berikut.

Tabel 2: Sampel dari data yang telah ditransformasikan

NO NIS NAMA VARIABEL INPUT

TARGET A B C D

X1 X2 X3 X4 X5

1 1514 ADE IRMA CITA DEWI 0.8 0.6 0.6 0.8 1

2 1517 ANDI KUSUMA 0.8 1 0.8 0.8 1

3 1518 ANDREANSYAH 0.8 0.6 0.4 0.4 1

4 1519 ANJAS SULISTIAWAN 0.8 0.8 0.8 1 1

5 1520 APRIL FRANCIS TAMPUBOLON 0.6 0.6 0.8 0.6 1

6 1522 ARYA DWI SUMANTHA SIDAURU 0.8 0.8 0.8 0.8 1

7 1523 ARYA SUKMA JAYA WARDANA 0.6 0.8 0.6 0.8 1

8 1524 DEVI GUSTIADANI PARANGIN-ANGIN 0.8 0.6 0.6 0.8 1

9 1526 DICKY WAHYUDI 0.8 0.8 0.6 0.8 1

10 1527 DWI SHAFIRA BATUBARA 0.6 0.8 0.6 0.6 1

11 1528 EDI KURNIAWAN 0.8 0.8 0.6 0.8 1

12 1529 FAISAL 0.6 0.4 0.6 0.8 1

13 1530 FARADILA HAFIZAH PARINDURI 0.8 0.8 1 1 1

14 1532 ILLIAS 0.6 0.6 0.8 0.6 1

15 1533 INDAH DESWITA 0.8 1 0.8 0.8 1

16 1534 JENI ARISKA 0.8 0.8 0.8 0.8 1

17 1536 LISNA WATI 0.8 0.8 0.6 0.8 1

18 1537 MILO SANDIKA 0.8 0.6 0.8 1 1

19 1538 MONICA APRILLIA DAMANIK 0.8 0.8 0.8 0.8 1

20 1539 MUHAMMAD BAYU SHOPAN 0.8 0.6 0.8 0.6 1

21 1542 NIA BAZHLINA 0.8 0.8 0.6 0.8 1

22 1544 PANCA IRAWAN 0.6 0.6 0.8 0.6 1

23 1545 PUTRA PANDU KHAIRUN NAZRI 0.6 0.4 0.6 0.8 1

24 1546 PUTRI MAYANG SARI 0.6 0.8 0.8 0.8 1

25 1547 RAHMAD 0.6 0.6 0.8 0.8 1

26 1548 RAMA DONA 0.6 0.8 0.8 0.8 1




NO NIS NAMA VARIABEL INPUT

TARGET A B C D

27 1549 RIDUAN SANTOSO 0.6 0.4 0.6 1 1

28 1550 RIKA WARDANI 0.8 0.6 0.8 1 1

29 1551 RIZKY SYAHPUTRA 0.6 0.6 0.6 0.8 1

30 1552 RONI SANJAYA HASUGIAN 0.6 0.6 0.4 0.6 1

31 1553 SAHRUL RAMADAN 0.8 0.6 0.6 0.8 1

32 1554 SARTIKA ANDRIANI 0.6 0.6 1 1 1

33 1555 SHENDI IKHWANDA 0.8 0.8 0.6 1 1

34 1556 SISKA 0.8 0.8 0.6 1 1

35 1557 SUGIARTO 0.6 0.6 0.6 1 1

36 1558 SULIS HARIANI 0.4 0.4 0.4 0.6 1

37 1559 SURYA RAMADHAN 0.8 0.6 0.6 0.8 1

38 1560 TRI WULAN DARI 0.8 0.8 0.8 0.6 1

39 1561 ULUL AMRI 0.8 0.8 1 0.8 1

40 1563 YUNITA RAMAYANI 1 0.4 1 1 1

Sumber: Data Olahan 3.3. Perancangan Arsitektur Jaringan Saraf Tiruan

Jaringan yang digunakan untuk mengatahui tingkat pemahaman siswa terhadap mata pelajaran adalah Jaringan Saraf Tiruan backpropagation dengan langkah pembelajaran feedforward. Jaringan ini memiliki beberapa lapisan, yaitu lapisan masukan, lapisan keluaran dan beberapa lapisan tersembunyi. Lapisan tersembunyi tersebut membantu jaringan untuk dapat mengenali lebih banyak pola masukan dibandingkan dengan jaringan yang tidak memiliki lapisan tersembunyi. Parameter-parameter dalam pembentukan jaringan backpropagation menggunakan 4 variabel masukan, 1 lapisan tersembunyi dengan 2 dan 1 lapisan keluaran adalah sebagai berikut:

Gambar 1 Arsitektur Jaringan Saraf Tiruan Memprediksi Tingkat Pemahaman

Siswa Terhadap Mata pelajaran




Jaringan Saraf yang akan dibangun adalah algoritma propagasi balik (backpropagation) dengan fungsi aktivasi Sigmoid. Fungsi aktivasi dalam Jaringan Saraf Tiruan dipakai untuk proses perhitungan terhadap nilai aktual output pada hidden layer dan menghitung nilai aktual output pada output layer. 3.4. Pendefinisian Output Hasil yang diharapkan pada tahap ini adalah deteksi pola menentukan nilai terbaik untuk tingkat pemahaman siswa tentang subjek. Hasil pengujian ada adalah sebagai berikut:

a. Untuk mengetahui tingkat pemahaman siswa tentu saja didasarkan pada kegiatan mengajar. Output dari tingkat pemahanan yaitu apakah siswa memahami terhadap mata pelajaran dengan bobot 1.

b. Kategorisasi "memahami" Kategori untuk "memahami" ditentukan oleh tingkat error minimum dari target "memahami" yang 1. Mereka mengkategorikan pada Tabel 4.4. sebagai berikut:

Tabel 3 Data Kategorisasi "mengerti" No Keterangan Error Minimum 1 Sangat Memahami 0.0000 - 0.0010 2 Memahami 0.0011 – 0.0100 3 Cukup Memahami 0,0101 - 0,1000

3.5. Perancangan arsitektur 4-2-1 dengan Jaringan Saraf Tiruan Perancangan data dengan Jaringan Saraf Tiruan untuk data pelatihan dan pengujian, maka digunakan 4 variabel input yaitu:

X1 = Pengetahuan X2 = Keterampilan/Kemampuan X3 = Penilaian dan Beban Kerja X4 = Bimbingan dan Konseling

Dalam perhitungan secara manual ini hanya diberikan sampel data input dari data sebagai contoh pembuktian dengan menggunakan 4 variabel input, yaitu X1, X2,X3, X4.

Berikut tahapan-tahapan yang akan dilakukan dalam pengguna algoritma propagasi balik dengan fungsi aktivasi sigmoid. Tahapan yang harus dilakukan adalah sebagi berikut:

1. Inisialisasi (initialization), merupakan tahap di mana variabel-variabel nilai akan diset atau didefinisikan terlebih dahulu, misalnya seperti: nilai data input, weight, nilai output yang diharapkan, learning rate dan nilai-nilai data lainnya.

2. Aktivasi (activation),merupakan proses perhitungan terhadap nilai aktual output pada hidden layer dan menghitung nilai actual output pada output layer.




3. Weight Training, merupakan proses perhitungan nilai error gradient pada output layer dan menghitung nilai error gradient pada hidden layer

4. Iteration, merupakan tahap akhir dalam penggujian, dimana jika masih terjadi error minimum yang diharapkan belum ditemukan maka kembali pada tahap aktivasi (activation).

Dalam pelatihan ataupun pembentukan Jaringan Saraf Tiruan yang perlu dilakukan pertama kali adalah inisialisasi bobot awal. Di mana bobot awal ini akan menghubungkan simpul-simpul pada lapisan input dan juga lapisan tersembunyi (hidden layer).Bobot awal pada algoritma di atas adalah v= (v11, v12, v21, v22, v31, v32, v41, v42), sedangkan bobot biasnya dipilih secara acak pada simpul-simpul lapisan tersembunyi (hidden layer) dan lapisan output ( w11 dan w12 ) dipilih secara acak.

Algoritma pelatihan backpropagation dengan menggunakan 4 input layer, 2 layer tersembunyi, 1 output layer dengan fungsi aktivasi sigmoid biner adalah sebagai berikut : 1. Tahap inisialisasi :

Tuliskan nilai input yang diberikan X1 = 0.8 X2 = 0.6 X3 = 0.6 X4 = 0.8

Target = 1 Leraning rate(α )=0.1 Berikan nilai bobot (V) dari input ke lapisan tersembunyi dengan nilai acak.

Tabel 4. Nilai Bobot dari Input ke Hidden Layer

K

1

K2

X1 0.2 -0.3 X2 0.4 0.1 X3 0.3 -0.5 X4 0.5 -0.4

Berikan nilai bobot (W) dari lapisan tersembunyi ke output dengan nilai acak.

Tabel 5. Nilai Bobot dari Hidden Layer ke Output L

K1 -0.3 K2 -0.2

2. Tahap Aktivasi

a. Hitung keluaran tiap node (node tersembunyi dan node output) = X1. V11+ X2. V21+ X3. V31+ X4. V41

= 0,8.0,2 + 0,6.0,4 + 0,6.0,3 + 0,8.0,5




= 0,9800

= Sigmoid [0,9800] = 0.2729

K2= X1. V12+ X2. V22+ X3. V32+ X4. V42

= 0,8.-0,3 + 0,6.0,1 + 0,6.-0,5 + 0,8.-0,4 = -0,8000

= Sigmoid [-0,8000] = 0,6900

L = K1. W11+ K2. W21

= 0,2729. -0.3+ 0,6900+-0.2 = -0,2199

= Sigmoid [-0,2199] = 0,5547

b. Hitung nilai error output dan hidden layer Rumus mencari error output layer :

= (1 -

Rumus mencari error hidden layer : = (1 -

Err L = L.( α- L).(T - L) = 0,5547. (0.1 – 0,5547) . (1 - 0,5547)

= -0,1123 Err K1= K1.( α- K1).(Err L- W11)

= 0,2729.(0.1-0,2729).( -0,1123-(-0.3)) = -0,3034 Err K2= K2.( α- K2).(Err L- W21) = 0,6900.(0.1- 0,6900).( -0,1123-(-0.2)) = -0,0357

c. Modifikasi/hitung bobot baru Rumus memodifikasi bobot baru :

=

∆W11= W11+ α. Err L. K1 = -0,3+0,1. -0,1123. 0,2729

= -0,3031 ∆W21= W21+ α. Err L. K2 = -0,2+0,1. -0,1123. 0,6900

= -0,2078 ∆V11= V11+ α. Err K1. j1

= 0,2+0,1. -0,3034. 0,8 = 0,1993

∆V12= V12+ α. Err K2. j1 = -0,3+0,1. -0,0357. 0,8 = -0,3029

∆V21= V21+ α. Err K1. J2 = 0,4+0,1. -0,3034. 0,6

= 0,3665 ∆V22= V22+ α. Err K2. J2




= 0,1+0,1. -0,0357. 0,6 = 0,0979

∆V31= V31+ α. Err K1. J3 = 0,3+0,1. -0,3034. 0,6

= 0,2995 ∆V32= V32+ α. Err K2. J3

= -0,5+0,1. -0,0357. 0,6 = -0,5021

∆V41= V41+ α. Err K1. J4 = 0,5+0,1. -0,3034. 0,8

= 0,4993 ∆V42= V42+ α. Err K2. J4

= -0,4+0,1. -0,0357. 0,8 = -0,4029 3.6. Prediksi Tingkat Pemahaman Siswa Terhadap Mata Pelajaran

Tahap terakhir adalah proses prediksi tingkat pemahaman siswa terhadap mata pelajaran. Tahapan ini dilakukan dengan membandingkan nilai error minimum dari hasil yang didapat. Dengan model arsitektur 4-5-1, data akan diprediksi untuk melihat seberapa akurat model ini dapat mengenali data. Adapun data yang akan diprediksi untuk melihat tingkat kebenaranya dapat dilihat pada tabel 6 berikut ini.

Tabel 6. Hasil Prediksi dengan Model 4-2-1

Prediksi Model 4-2-1 Prediksi Ket

No NIS Database JST Hasil

1 1542 Cukup Paham 0.0116 Benar









10 1552 Tidak Paham 0.1308 Salah






16 1558 Tidak Paham 0.4181 Salah






Prediksi Model 4-2-1 Prediksi Ket

No NIS Database JST Hasil



Dari hasil prediksi yang diperoleh didapat hasil bahwa JST dapat

melakukan prediksi diatas 90 % tingkat akurasi kebenaranya.

4. KESIMPULAN Berdasarkan hasil dan pembahasan diatas, maka penulis dapat mengambil kesimpulan sebagai berikut : 1. Menambahkan banyak hidden layer pada saat pelatihan dan pengujian, bukan

merupakan suatu hasil yang maksimal. Untuk 5 model arsitektur yang dirancang, 4-2-1 adalah model yang memiliki tingkat MSE pelatihan terbesar yaitu 0.0108

2. Setelah dilakukan percobaan dalam proses pelatihan dan pengujian sistem yang dilakukan dengan menggunakan software aplikasi Matlab 6.1. Model Jaringan Syaraf Tiruan yang digunakan adalah 4-2-1, model 4-3-1, model 4-4-1, model 4-5-1 dan model 4-6-1, dapat diperoleh hasil yang baik dengan melihat MSE Pelatihan yang terkecil adalah 4-2-1.

3. Dengan model arsitektur 4-2-1, dapat melakukan prediksi tingkat pemahaman siswa terhadap mata pelajaran dengan menunjukkan performa diatas 90%.

DAFTAR PUSTAKA

[1] Yani, E. Nurul M. Sukarno,” Perancangan Dan Implementasi Jaringan Saraf Tiruan Backpropagation Untuk Mendiagnosa Penyakit Kulit”,2005.

[2] Maharani D. Wuryandari. Aji Sudarsono, “Jaringan Syaraf Tiruan Untuk

Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode Bacpropagation (Studi Kasus Di Kota Bengkulu)”, Bengkulu,2016.

[3] Agus Perdana Windarto, “Implementation of Neural Networks in Predicting

the Understanding Level of Students Subject,” Int. J. Softw. Eng. Its Appl., vol. 10, no. 10, pp. 189–204, 2016.

[4] McCarthy, M. Dahria,” Jurnal SAINTIKOM. LPM STMIK TRI GUNA DARMA. Sumatera Utara”, Medan, 2008.

[5] Maria Agustin,” Penggunaan Jaringan Syaraf Tiruan Backpropagation Untuk

Seleksi Penerimaan Mahasiswa Baru Pada Jurusan Teknik Komputer Di Politeknik Negeri Sriwijaya”, Semarang,2012

[6] Simon Haykin, Irma Handayani,”. Peramalan Beban Tenaga Listrik Jangka

Pendek Menggunakan Metode Jaringan Syaraf Tiruan”, Banten,2012.

jaringan saraf tiruan untuk memprediksi tingkat …

Documents